基于机器学习的职业伤害后不满的预测:使用韩国全国工人赔偿保险数据库进行的回顾性队列研究
Youjin Lee1, Taeyeon Kim1, Dahyeon Koo1
1Pohang Stroke and Spine Hospital, Pohang-si, Korea (the Republic of).
BMJ open
|November 28, 2025
概括
机器学习模型有效地预测了职业伤害 (OI) 后的工人不满. 关键预测因素包括就业状况,财务稳定性和疼痛干扰,为改善工人补偿经验提供了见解.
科学领域:
- 职业健康和安全 职业健康和安全
- 在医疗保健中的数据科学.
- 预测分析是一种预测分析.
背景情况:
- 职业伤害 (OI) 可以导致大量的工人不满.
- 识别不满的预测因素对于改善补偿和支持系统至关重要.
- 机器学习为分析复杂的健康数据提供了先进的功能.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测职业伤害 (OI) 后的不满.
- 确定影响OI后工人满意度的关键因素.
- 在这个预测任务中比较各种ML算法的性能.
主要方法:
- 从韩国使用5年 (2018-2022) 全国面板数据进行回顾性队列研究.
- 采用机器学习模型,包括XGBoost,LightGBM,CatBoost和随机森林.
- 使用夏普利添加式解释 (SHAPs) 来解释特征重要性和用于比较的逻辑回归.
主要成果:
- 轻GBM显示了最高的预测性能 (AUC 0.770).
- 通过SHAP分析确定的关键预测因素包括家庭规模,疼痛干扰,受伤前的健康状况和财务因素.
- 后勤回归发现失业,缺乏私人保险和较低的社会经济地位与不满意度有显著的关联.
结论:
- 机器学习模型提供了对职业伤害后不满的可靠预测.
- 员工满意度受到就业,财务,疼痛和认知因素的结合的影响.
- 这些发现强调了受伤后工人满意度的复杂多方面的性质.